Different Challenges in Eliminating HPV16 Compared to Other Types: A Modeling Study
Notice bibliographique
Résumé
Background: Human papillomavirus (HPV) vaccination is still not reaching many high-risk populations. HPV16/18 vaccines offer cross-protection against other types, for example, HPV45. Both direct vaccine efficacy and indirect herd protection contribute to vaccination effectiveness. Methods: We used a dynamic transmission model, calibrated to cervical screening data from Italy, to estimate vaccination effectiveness against HPV16 and HPV45 infection, assuming for HPV45 either 95% or lower cross-protection. Results: Basic reproductive number was smaller (2.1 vs 4.0) and hence vaccine effectiveness and herd protection stronger for HPV45 than for HPV16. The largest difference in the reduction of infection prevalence in women <35 years old was found at 70% coverage in girls-only vaccination programs (99% vs 83% for total protection for HPV45 and HPV16, respectively, mainly owing to stronger herd protection, ie, 37% vs 16%). In gender-neutral vaccination, the largest difference was at 40% coverage (herd protection, 54% vs 28% for HPV16 and HPV45, respectively). With ≥80% coverage, even 50% cross-protection would reduce HPV45 by ≥94%. Conclusions: The characteristics of individual high-risk HPV types strongly influence herd protection and determine the level of coverage and cross-protection required to reduce or eliminate the infection through HPV vaccination. HPV16 infection and related cancers are the most difficult to eliminate.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».